数据可视化实战之新零售

已于 2024-01-10 20:44:20 修改
阅读量1.8k 收藏 31
点赞数 28
分类专栏： 数据可视化 文章标签： python 信息可视化 excel
于 2023-04-07 18:02:40 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mjoin2022/article/details/130016401
版权

 

了解项目项目背景与目标

了解项目背景

1、由新零售智能销售设备的发展趋势可知，它的出现是由劳动密集型的产业构造向技术密集型转变的产物。大量生产、大量消费以及消费模式和销售环境的变化，要求出现新的流通渠道。而超市、百货购物中心等流通渠道的人工费用不断上升，再加上场地的局限性以及购物的便利性等这些因素的制约，新零售智能销售设备作为一种必须的机器便应运而生了。
2、某公司在广东省8个市部署了376台新零售智能销售设备，为了分析新零售智能销售设备数量与销售收入的情况，获取近6个月的新零售智能销售设备数据，结合销售背景从销售、库存、用户3个方向进行分析，并利用pyecharts可视化库展现销售现状。

熟悉数据情况

目前新零售智能销售设备后台管理系统已经积累了大量用户的购买记录，包含2018年4月至2018年9月的购买商品信息，以及所有的子类目信息。数据主要包括“商品表.xlsx”和“订单表.xlsx”，对应的数据字典分别下面两表所示。
9e9bea82ea8b46e384314bf77fc40757.png

6366bf2c2a8e4ad2b152ca07c2c11b13.png

熟悉项目流程

 新零售智能销售数据可视化项目的总体流程如图所示，主要步骤如下。

1、从新零售智能销售设备后台管理系统获取原始数据。

98dc3a3fede24cb1b7def6f850109977.pnga01430ef73a34fd3b6218270eae45fe1.png

 

2、对原始数据进行数据预处理，包括数据清洗、降维、字段规约。
3、根据行业背景，从销售、库存和用户3个方向对处理后的新零售智能销售数据进行数据分析与可视化。

4、完成新零售智能销售项目分析报告。
412c760671e74954937b429054041989.png

读取与处理新零售智能数据

读取与处理新零售智能数据

 - 当对原始数据进行观察后，发现数据中存在一定的噪声数据，如“商品详情”字段中存“158X1;”“0401X1”"等多余的信息;
 - 商品名称不一致，如“罐装芬达原味x1”“罐装芬达原味X1;”
 - 部分销售记录数据项缺失等。
 - 这些噪声数据将会对后续数据的统计和分析造成一定的影响，所以需要进行数据清洗和数据规约。
 


 

读取数据

 - 新零售智能销售的数据文件主要有订单表2018-4.csv、订单表2018-5.csv、订单表2018-6.csv、订单表2018-7.csv、订单表2018-8.csv、订单表2018-9.csv和商品表.xlsx。在Python中导入新零售智能销售数据。
 - 由结果可知，4月~9月的订单表中分别含有2081、46431、52682、79450、88670、90006条记录，商品表中有3756条记录。（数据以自己的为主）

# 代码7-1-读取数据
# encoding='gbk'：告诉编译器需要使用GBK的解码方式对test.py 文件进行解码，转成相应的 Unicode 码，然后就运行代码了。
# data-读取并重命名
#print：输出
import pandas as pd
data4 = pd.read_csv('订单表2018-4.csv', encoding='gbk')
data5 = pd.read_csv('订单表2018-5.csv', encoding='gbk')
data6 = pd.read_csv('订单表2018-6.csv', encoding='gbk')
data7 = pd.read_csv('订单表2018-7.csv', encoding='gbk')
data8 = pd.read_csv('订单表2018-8.csv', encoding='gbk')
data9 = pd.read_csv('订单表2018-9.csv', encoding='gbk')
goods_info = pd.read_excel('商品表.xlsx')
print(data4.shape, data5.shape, data6.shape, data7.shape,
      data8.shape, data9.shape, goods_info.shape)

 (2077, 14) (46068, 14) (51925, 14) (77644, 14) (86459, 14) (86723, 14) (3626, 8)

清洗数据

合并数据:由于订单表的数据是按月份分开存放的，为了方便后续对数据进行处理和可视化，所以需要对订单数据进行合并处理。

#合并数据
data = pd.concat([data4, data5, data6, data7, data8, data9], ignore_index=True)
print('订单表合并后的数据为', data.shape)

 订单表合并后的数据为 (350896, 14) 

缺失值检测:当合并订单表的数据后，为了了解订单表的数据的基本情况，需要进行缺失值检测。

（两个表：订单表和商品表）

订单表

# 缺失值检测
print('订单表各列的缺失值数目为：\n', data.isnull().sum())
print('未做删除缺失值前订单表行列数目为：', data.shape)

订单表各列的缺失值数目为：
 设备编号         0
下单时间         0
订单编号         0
购买数量(个)      0
手续费(元)       0
总金额(元)       0
支付状态         0
出货状态         3
收款方        276
退款金额(元)      0
购买用户         0
商品详情         0
省市区          0
软件版本         0 

dtype: int64
未做删除缺失值前订单表行列数目为： (350896, 14)

商品表

# 清洗商品表
print('商品表各列的缺失值数目为：\n', goods_info.isnull().sum())
print('未做删除缺失值前商品表行列数目为：', goods_info.shape)

 商品表各列的缺失值数目为：
 商品名称      392
销售数量        0
销售金额        0
利润          0
库存数量        0
进货数量        0
存货周转天数      0
月份          0
dtype: int64
未做删除缺失值前商品表行列数目为： (3626, 8)


缺失值处理:订单表中含有缺失值的记录总共有278条，相对较少，可直接使用删除法对其中的缺失值进行处理。

（两个表：订单表和商品表）

订单表

# 缺失值处理--删除缺失值
data = data.dropna(how='any')  # 删除
print('删除完缺失值后订单表行列数目为：', data.shape)

删除完缺失值后订单表行列数目为： (350617, 14) 

商品表

# 删除缺失值
goods_info = goods_info.dropna(how='any')
print('删除完缺失值后商品表行列数目为：', goods_info.shape)

 删除完缺失值后商品表行列数目为： (3234, 8)


增加字段:为了满足后续的数据可视化需求，需要在订单表中增加“市”字段。

# 增加字段--从省市区中提取市的信息，并创建新列
data['市'] = data['省市区'].str[3: 6]
print('经过处理后前5行为：\n', data.head())
#可以在 data.head()填写任意数字、默认5

经过处理后前5行为：
      设备编号             下单时间  ...                       软件版本    市
0  112531  2018/4/30 22:55  ...         V2.1.55/1.2;rk3288  中山市
1  112673  2018/4/30 22:50  ...  V3.0.37;rk3288;(900x1440)  佛山市
2  112636  2018/4/30 22:35  ...         V2.1.55/1.2;rk3288  广州市
3  112636  2018/4/30 22:33  ...         V2.1.55/1.2;rk3288  广州市
4  112636  2018/4/30 21:33  ...         V2.1.55/1.2;rk3288  广州市

[5 rows x 15 columns]

 


统一商品名称:通过浏览订单表数据发现，在“商品详情”字段中存在有异名同义的情况，即两个名称不同的字段所代表的实际意义是一致的，如“维他柠檬茶X1;”“维他柠檬茶x1”等。因为这种情况会对后面的可视化分析结果造成一定的影响，所以需要对订单表中的“商品详情”字段进行处理，增加“商品名称”字段

# 统一商品名称--定义一个需剔除的字符的list
error_str = [' ', '(', ')', '（', '）', '0', '1', '2', '3', '4', '5', '6',
             '7', '8', '9', 'g', 'l', 'm', 'M', 'L', '听', '特', '饮', '罐',
             '瓶', '只', '装', '欧', '式', '&', '%', 'X', 'x', ';']
# 使用循环剔除指定字符
for i in error_str:
      data['商品详情'] = data['商品详情'].str.replace(i, '')
# 新建一列 商品名称用于新数据存放
data['商品名称'] = data['商品详情']
data['商品名称'][0: 5]
print(data['商品名称'])
print(data['商品名称'][0: 5])


D:\pycharm\复杂.py:38: FutureWarning: The default value of regex will change from True to False in a future version. In addition, single character regular expressions will *not* be treated as literal strings when regex=True.
  data['商品详情'] = data['商品详情'].str.replace(i, '')
D:\pycharm\复杂.py:41: FutureWarning: The behavior of `series[i:j]` with an integer-dtype index is deprecated. In a future version, this will be treated as *label-based* indexing, consistent with e.g. `series[i]` lookups. To retain the old behavior, use `series.iloc[i:j]`. To get the future behavior, use `series.loc[i:j]`.
  data['商品名称'][0: 5]
D:\pycharm\复杂.py:43: FutureWarning: The behavior of `series[i:j]` with an integer-dtype index is deprecated. In a future version, this will be treated as *label-based* indexing, consistent with e.g. `series[i]` lookups. To retain the old behavior, use `series.iloc[i:j]`. To get the future behavior, use `series.loc[i:j]`.
  print(data['商品名称'][0: 5])
0             可口可乐
1             旺仔牛奶
2               雪碧
3            阿萨姆奶茶
4              王老吉
            ...   
350891         王老吉
350892         王老吉
350893         挑战者
350894    伊利麦香味早餐奶
350895    伊利麦香味早餐奶
Name: 商品名称, Length: 350617, dtype: object
0     可口可乐
1     旺仔牛奶
2       雪碧
3    阿萨姆奶茶
4      王老吉
Name: 商品名称, dtype: object 

异常值处理:通过浏览订单表数据发现，在“总金额(元)”字段中，存在极少订单的金额很小，如0、0.01等。
在现实生活中，这种记录存在情况的极少，并且这部分数据不具有分析意义。因此，在本项目中，对订单的金额小于0.5的记录进行删除处理

# 删除金额较少的订单前的数据量
print(data.shape)
# 删除金额较少的订单后的数据量
data = data[data['总金额(元)'] >= 0.5]
print(data.shape)

(350617, 16)

(350450, 16) 

# 将商品名称表中的部分商品进行名字统一
goods_info['商品名称'] = goods_info['商品名称'].str.replace('可口可乐', '可乐')
goods_info['商品名称'] = goods_info['商品名称'].str.replace(' ', '')
goods_info['商品名称'] = goods_info['商品名称'].str.replace('可比克薯片烧烤味',
                                                    '可比克烧烤味')
goods_info['商品名称'] = goods_info['商品名称'].str.replace('可比克薯片牛肉味',
                                                    '可比克牛肉味')
goods_info['商品名称'] = goods_info['商品名称'].str.replace('可比克薯片番茄味',
                                                     '可比克番茄味')
goods_info['商品名称'] = goods_info['商品名称'].str.replace('阿沙姆奶茶',
                                                    '阿萨姆奶茶')
goods_info['商品名称'] = goods_info['商品名称'].str.replace('罐装百威',
                                                    '罐装百威啤酒')
print(goods_info['商品名称'])
goods_info.to_csv('goods_info.csv', index=False, encoding = 'gbk')

 0           黑派黑水
1           黑派黑水
2           黑派黑水
3           黑派黑水
4           黑派黑水
          ...   
3229    18g旺仔小馒头
3230    18g旺仔小馒头
3231    18g旺仔小馒头
3232    18g旺仔小馒头
3233    18g旺仔小馒头
Name: 商品名称, Length: 3234, dtype: object

规约数据

1.属性选择

因为订单表中的“手续费(元)”“收款方”“软件版本”“省市区”“商品详情”“退款金额(元)”等字段对本项目的分析没有意义，所以需要对其进行删除处理，实现数据的降维

# 属性选择--降维订单数据
data = data.drop(['手续费(元)', '收款方', '软件版本', '省市区',
                  '商品详情', '退款金额(元)'], axis=1)
print('降维后，数据列为：\n', data.columns.values)

降维后，数据列为：
 ['设备编号' '下单时间' '订单编号' '购买数量(个)' '总金额(元)' '支付状态' '出货状态' '购买用户' '市' '商品名称']
 


2.字段规约

时间段规约:在订单表“下单时间”字段中含有的信息量多，并且存在概念分层，需要对字段进行数据规约，提取需要的信息。

提取相应的“小时”字段和“月份”字段，进一步泛化“小时”字段为“下单时间段”字段。

当小时<5时，为“凌晨”

当5<小时<8时，为“早晨”;

当8<小时≤11时，为“上午”;

当11<小时≤13时，为“中午”;

当13<小时≤16时，为“下午”;

当16<小时≤19时，为“傍晚”;

当19<小时≤24，为“晚上”。

# 归约订单数据字段
# 将时间格式的字符串转换为标准的时间
data['下单时间'] = pd.to_datetime(data['下单时间'])
data['小时'] = data['下单时间'].dt.hour  # 提取时间中的小时，将其赋给新列 小时
data['月份'] = data['下单时间'].dt.month
data['下单时间段'] = 'time'  # 新增一列下单时间段，并将其初始化为time
exp1 = data['小时'] <= 5  # 判断小时是否小于等于5
# 条件为真则时间段为凌晨
data.loc[exp1, '下单时间段'] = '凌晨'
# 判断小时是否大于5且小于等于8
exp2 = (5 < data['小时']) & (data['小时'] <= 8)
# 条件为真则时间段为早晨
data.loc[exp2, '下单时间段'] = '早晨'
# 判断小时是否大于8且小于等于11
exp3 = (8 < data['小时']) & (data['小时'] <= 11)
# 条件为真则时间段为上午
data.loc[exp3, '下单时间段'] = '上午'
# 判断小时是否小大于11且小于等于13
exp4 = (11 < data['小时']) & (data['小时'] <= 13)
# 条件为真则时间段为中午
data.loc[exp4, '下单时间段'] = '中午'
# 判断小时是否大于13且小于等于16
exp5 = (13 < data['小时']) & (data['小时'] <= 16)
# 条件为真则时间段为下午
data.loc[exp5, '下单时间段'] = '下午'
# 判断小时是否大于16且小于等于19
exp6 = (16 < data['小时']) & (data['小时'] <= 19)
# 条件为真则时间段为傍晚
data.loc[exp6, '下单时间段'] = '傍晚'
# 判断小时是否大于19且小于等于24
exp7 = (19 < data['小时']) & (data['小时'] <= 24)
# 条件为真则时间段为晚上
data.loc[exp7, '下单时间段'] = '晚上'
print('处理完成后的订单表前5行为：\n', data.head())
data.to_csv('order.csv', index=False, encoding = 'gbk')

处理完成后的订单表前5行为：
      设备编号                下单时间                    订单编号  ...  小时  月份 下单时间段
0  112531 2018-04-30 22:55:00  112531qr15251001151105  ...  22   4    晚上
1  112673 2018-04-30 22:50:00  112673qr15250998551741  ...  22   4    晚上
2  112636 2018-04-30 22:35:00  112636qr15250989343846  ...  22   4    晚上
3  112636 2018-04-30 22:33:00  112636qr15250988245087  ...  22   4    晚上
4  112636 2018-04-30 21:33:00  112636qr15250952296930  ...  21   4    晚上

[5 rows x 13 columns]

 

 最后输出：

goods_info--商品表；order.csv--订单表

可视化实现

绘制销售分析图

①在销售数据中含有的数据量较多，作为企业管理人员以及决策制定者，无法直观了解目前新零售智能销售设备的销售状况。因此需要利用处理好的数据进行可视化分析，直观地展示销售走势以及各区销售情况，为决策者提供参考。
②商品销售情况在一定程度上可反映商品的销售数量、销售额等，通过对商品销售额、订单数量和各市销售额等销售情况进行分析，可以促进生产的发展，做好销售工作。从销售额与新零售智能销售设备的数量、订单数量与新零售智能销售设备数量、每个市的总销售额、畅销与滞销商品等角度，对新零售智能销售设备的销售进行分析，并进行可视化展示，从而使企业管理人员了解新零售智能销售设备的基本销售情况。


1.销售额与新零售智能销售设备数量的关系

①探索近6个月销售额和新零售智能销售设备数量之间的关系，并按时间走势进行可视化分析。
②由右图可知，在4月到7月这段时间，随着新零售智能设备数量增加，销售额也在增加，但8月相对7月而言，设备数量减少了，但销售额还保持了一定的增长。
91c36731224f4cda8ef0b8c34af33911.png
​

# #引入第三方库

import numpy as np
import pandas as pd
from pyecharts.charts import Line
from pyecharts import options as opts
data = pd.read_csv('order.csv',encoding='gbk')

#销售额和新零售智能销售设备数量之间的关系
def f(x):
    return len(list(set((x.values))))
groupby_month = data.groupby(by='月份',as_index=False).agg({'设备编号': f,'总金额(元)':np.sum})
groupby_month.columns = ['月份','设备数量','销售额']
data_moth_x = [str (i) for i in groupby_month['月份'].values.tolist()]
line_1 = (
    Line()
    .add_xaxis(data_moth_x)
    .add_yaxis('销售额',np.round(groupby_month['销售额'].values.tolist(),2))
    .add_yaxis('设备数量',groupby_month['设备数量'].values.tolist(),yaxis_index=1)
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(name='月份',name_location='center',name_gap=25),
        title_opts=opts.TitleOpts(title='销售额和新零售智能销售设备数量之间的关系'),
        yaxis_opts=opts.AxisOpts(
            name='销售额（元）',
            name_location='center',
            name_gap=60,
            axislabel_opts=opts.LabelOpts(formatter='{value}')
        )
    )
    .extend_axis(
        yaxis=opts.AxisOpts(
            name='设备数量（台）',
            name_location='center',
            name_gap=40,
            axislabel_opts=opts.LabelOpts(formatter='{value}'),interval=50
        )
    )
)
line_1.render('1.html')

自己：

import numpy as np
import pandas as pd
from pyecharts.charts import Line
from pyecharts import options as opts
#一、读取数据
data = pd.read_csv('order.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='月份',as_index=False).agg({'设备编号': f,'总金额(元)':np.sum})
#columns：表示列索引
groupby_month.columns = ['月份','设备数量','销售额']
data_x_yue = groupby_month['月份'].values.tolist()
data_y_xiao = groupby_month['销售额'].values.tolist()
data_y_she = groupby_month['设备数量'].values.tolist()
data_moth_x = [str (i) for i in data_x_yue]
#实例化对象
line_1 = (
    Line()
    .add_xaxis(data_moth_x)
    #round（x，n）方法将返回x的值，该值四舍五入到小数点后的n位数字。
    .add_yaxis('销售额',np.round(data_y_xiao,2))
    # # 使用的 y 轴的 index，在单个图表实例中存在多个 y 轴的时候有用。
    .add_yaxis('设备数量',data_y_she,yaxis_index=1)
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(name='月份',name_location='center',name_gap=25),
        title_opts=opts.TitleOpts(title='销售额和新零售智能销售设备数量之间的关系'),
        yaxis_opts=opts.AxisOpts(
            name='销售额（元）',
            name_location='center',
            name_gap=60,
            axislabel_opts=opts.LabelOpts(formatter='{value}')
        )
    )
    #添加
    .extend_axis(
        yaxis=opts.AxisOpts(
            name='设备数量（台）',
            name_location='center',
            name_gap=40,
            #可以用数值表示间隔的数据
            axislabel_opts=opts.LabelOpts(formatter='{value}'),interval=50
        )
    )
)
line_1.render('1.html')

 

31cbf2647d8d414e89311d282a52050e.png


2.订单数量与新零售智能销售设备数量的关系

①探索近6个月订单数量和新零售智能销售设备数量之间的关系，并按时间走势进行可视化分析。
②由右图可知，订单数量随着新零售智能设备数量增加而增加，随着新零售智能设备数量减少而减少，存在一定的相关性。


9f7a31ec105e437b9928f375efd1adb1.png

 

 

import numpy as np
import pandas as pd
from pyecharts.charts import Line
from pyecharts import options as opts

#一、读取数据
data = pd.read_csv('order.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='月份',as_index=False).agg({'设备编号': f,'购买数量(个)':np.sum})
#columns：表示列索引
groupby_month.columns = ['月份','设备数量','订单数量']
data_x_yue = groupby_month['月份'].values.tolist()
data_y_ding = groupby_month['订单数量'].values.tolist()
data_y_she = groupby_month['设备数量'].values.tolist()
data_moth_x = [str (i) for i in data_x_yue]
#实例化对象
line_1 = (
    Line()
    .add_xaxis(data_moth_x)
    #round（x，n）方法将返回x的值，该值四舍五入到小数点后的n位数字。
    .add_yaxis('设备数量',data_y_she,
               linestyle_opts=opts.LineStyleOpts(type_="dashed",color='blue',width=2),#虚线
               label_opts=opts.LabelOpts(is_show=False),

                )
    # # 使用的 y 轴的 index，在单个图表实例中存在多个 y 轴的时候有用。
    .add_yaxis('订单数量',data_y_ding,yaxis_index=1,
               label_opts=opts.LabelOpts(is_show=False),
               linestyle_opts=opts.LineStyleOpts(width=2,color='blue'),
               )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(name='月份',name_location='center',name_gap=25),
        title_opts=opts.TitleOpts(title='订单数量和新零售智能销售设备数量之间的关系',
                                  pos_left='center'
                                  ),
        yaxis_opts=opts.AxisOpts(#AxisOpts:坐标轴配置项
            name='设备数量（台）',
            name_location='center',
            name_gap=40,
            max_=300,
            # interval:坐标轴间隔
            axislabel_opts=opts.LabelOpts(formatter='{value}'),interval=50,
        ),
        legend_opts=opts.LegendOpts(
              pos_top =56,item_gap=500,legend_icon='line'
        ),

    )
    .set_series_opts(

    )

    #添加
    .extend_axis(
        yaxis=opts.AxisOpts(
            name='订单数量（单）',
            name_location='center',
            name_gap=60,
            #max_=90000,
            axislabel_opts=opts.LabelOpts(formatter='{value}'),

        )
    )
)
line_1.render('1.html')

 6523ddfa90034859a862df8066fd7e2b.png

 


①由于各市的设备数量并不一致，所以探索各市新零售智能设备平均销售总额进行对比。
②由右图可知，深圳市的平均销售总额领先于其他城市，达到了8840.78元，清远市销售额是最少的，只有418.6元。


ed5ba92081734ccea2174edc2103f5bc.png

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
from pyecharts.charts import Line,Bar
from pyecharts import options as opts

data = pd.read_csv('order.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='市',as_index=False).agg({'设备编号':f,'总金额(元)':np.sum})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['市','设备数量','销售总额']
data_x_shi = groupby_month['市'].values.tolist()
data_y_she = groupby_month['设备数量'].values.tolist()
data_y_xiao = groupby_month['销售总额'].values.tolist()


data_moth_x = [str (i) for i in data_x_shi]
#平均值
#for i in range ()作用：
#range()是一个函数， for i in range () 就是给i赋值
# append() 方法用于在列表末尾追加新的对象
# 1.算术运算符‘/’表示的是除法运算，和数学中的除法规则是一样的，如：5/2=2.5；
# 2.算术运算符‘//’表示的是除法取整运算，即返回结果为除法运算商的整数部分，如：5//2=2；
# 3.算术运算符‘%’表示的是除法取余运算，即返回结果为除法运算商的余数部分，如：   5%2=1;
a = []
for i in range(len(data_y_she)):
     a.append(groupby_month['销售总额'][i]//groupby_month['设备数量'][i])
groupby_month['平均销售总额']=a
#实例化对象
line_1 = (
    Bar()
    .add_xaxis(data_moth_x)
    .add_yaxis('平均销售总额',groupby_month['平均销售总额'].values.tolist(),)
    .set_global_opts(
        title_opts=opts.TitleOpts(title='各市新零售智能设备平均销售总额',pos_left='center'),
        legend_opts=opts.LegendOpts(is_show=False)#图例
    )
)
line_1.render('1.html')

c7a6251d5fe6400b9e0999238145d624.png


3.畅销和滞销商品

①查找近6个月销售额前10和后10的商品，从而找出畅销商品和滞销商品，并对其销售金额进行可视化分析。
②由右图可知，销售金额排在第一的是芙蓉王，销售额达到了76850元，其次是东鹏和红牛等商品。


1cc34fff35f24971bf375acd9bf5a1e6.png


由右图可知，销售金额排在最后的商品是道和、绿茶薯条和鱼仔，其销售金额只有1元。 

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar
from pyecharts import options as opts

data = pd.read_csv('order.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='商品名称',as_index=False).agg({'总金额(元)':np.sum})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['商品名称','销售总额']
data_x_shang = groupby_month['商品名称'].values.tolist()
data_y_xiao = groupby_month['销售总额'].values.tolist()
data_moth_x = [str (i) for i in data_x_shang]
# 最大值
product_amount = data.groupby('商品名称').agg({'总金额(元)':'sum'}).sort_values(by='总金额(元)',ascending=False).reset_index()
a = product_amount.head(10)
a_x = a['商品名称'].tolist()
a_y = a['总金额(元)'].tolist()
#print(a)
#实例化对象
line_1 = (
    Bar()
    .add_xaxis(a_x)
    .add_yaxis('',a_y)
    .set_global_opts(
        title_opts=opts.TitleOpts(title='畅销前10的商品',pos_left='left'),
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=30)
                                ),

    )
)
line_1.render('1.html')

802bb130c76c4239b07bb4483611a95c.png
c396148495e34657b15801ce92eccf01.png

 

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar
from pyecharts import options as opts

data = pd.read_csv('order.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='商品名称',as_index=False).agg({'总金额(元)':np.sum})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['商品名称','销售总额']
data_x_shang = groupby_month['商品名称'].values.tolist()
data_y_xiao = groupby_month['销售总额'].values.tolist()
data_moth_x = [str (i) for i in data_x_shang]
# 最小值
product_amount = data.groupby('商品名称').agg({'总金额(元)':'sum'}).sort_values(by='总金额(元)',ascending=False).reset_index()
a = product_amount.tail(10)
a_x = a['商品名称'].tolist()
a_y = a['总金额(元)'].tolist()
#print(a)
#实例化对象
line_1 = (
    Bar()
    .add_xaxis(a_x)
    .reversal_axis()
    .add_yaxis('',a_y)
    .set_global_opts(
        title_opts=opts.TitleOpts(title='滞销后10的商品',pos_left='left'),
        #xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=30)),
    )
    .set_series_opts(label_opts=opts.LabelOpts(position="right"))#标签数值的位
)
line_1.render('1.html')

4dc219755ed34564a947d38712cf7e2a.png
4.各市商品销售占比情况-没有做出来

 

探索近6个月各城市销售金额前10的商品占比情况，并对其进行可视化分析。


16233028a00241e58a5d860e0a594a64.png

29bfa2df6d46424ba13679000079c4ad.png


由各市图形可知，在东莞市、广州市、深圳市和佛山市销售额最高的都是芙蓉王，而中山市销售额最高的是雪碧，清远市销售额最高的是无穷鸡爪，韶关市销售额最高的是日本百佳果肉橙汁，珠海市销售额最高的是孔髻山矿泉水。


03b9a68790234a299fe578fdef17ee29.png

import numpy as np
import  pandas as pd
from pyecharts.charts import Pie,Timeline
from pyecharts import options as opts
data=pd.read_csv('order.csv',encoding='gbk')
# 合并
groupby_data=data.groupby(by=['商品名称','市'],as_index=False).agg({'总金额(元)':np.sum})
# #取出市x轴数据
data_x1=[str(i) for i in list(groupby_data['市'].values.tolist())]
#取出市的数据并去重:set:清洗
province=[str(i) for i in list(set(groupby_data['市'].values.tolist()))]
province.sort(key=data_x1.index)#排序
t=Timeline()
for i in province:
    data_x2=groupby_data[groupby_data['市']==i].sort_values('总金额(元)',ascending=False)
    data_x=[str(i) for i in data_x2['商品名称'][:10].values.tolist()]
    data_y=data_x2['总金额(元)'][:10].values.tolist()
    p=(
        Pie()
        .add("",[list(z) for z in zip(data_x,data_y)],rosetype="radius",radius=['7%','55%'])
        .set_series_opts(
            tooltip_opts=opts.TooltipOpts(
                trigger="items",formatter="{b}:{d}%",
                is_always_show_content=True
            ),
            label_opts=opts.LabelOpts(
                formatter="{b}:{d}%"
            )
        )
    )
    t.add(p,'{}'.format(i))
t.render('1.html')

3bab9635a1c444b58e43064325939a0d.png
5.新零售智能销售设备的销售情况

 

①探索6个月销售额前10以及销售额后10的设备以及所在的城市，并进行可视化分析。
②由右图可知，销售额靠前的城市主要集中在中山市、东莞市和广州市，销售前3的设备都集中在中山市。


5a70dd6cc86d4f36bec1f3fb86b1ae0a.png

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar
from pyecharts import options as opts
from operator import itemgetter
data = pd.read_csv('order.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='设备编号',as_index=False).agg({'市':f,'总金额(元)':np.sum})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['设备编号','市','销售总额']
data_x_xiao = groupby_month['设备编号'].values.tolist()
data_x_shi = groupby_month['市'].values.tolist()
data_y_shang = groupby_month['销售总额'].values.tolist()
# 最大值
#ascending 参数是一个布尔类型的参数，当它设置为 True 时，返回的结果将从小到大排序；当它设置为 False 时，返回的结果将从大到小排序。
#reset_index:会将原来的索引index作为新的一列
#sort_values()函数原理类似于SQL中的order by，可以将数据集依照某个字段中的数据进行排序，该函数即可根据指定列数据也可根据指定行的数据排序。
#groupby函数基本格式：data.groupby([‘分组字段’])
product_amount = data.groupby(['市','设备编号']).agg({'总金额(元)':'sum'}).sort_values(by='总金额(元)',ascending=False).reset_index()
#product_amount_1 = data.groupby('市').agg({'总金额(元)':'sum'}).sort_values(by='总金额(元)',ascending=False).reset_index()
a = product_amount.head(10)
#b = product_amount_1.head(10)
# print(a)
#生成市+设备编号的列名
a["市设备编号"] = a["市"]+ a["设备编号"].map(str)
# d = a["市设备编号"].columns  = ["市设备编号"]
# print(a["市设备编号"])
# #print(a["市设备编号"])
a_x = a['市设备编号'].tolist()
a_y = a['总金额(元)'].tolist()
# print(a)
# 实例化对象
line_1 = (
    Bar()
    .add_xaxis(a_x)
    .reversal_axis()
    .add_yaxis('总金额(元)',a_y)
    .set_global_opts(
        title_opts=opts.TitleOpts(title='销售额前10的设备以及其所在市',pos_left='center'),
        legend_opts=opts.LegendOpts(is_show=False)#图例
        #xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=30)),
    )
    .set_series_opts(label_opts=opts.LabelOpts(position="right"))#标签数值的位
)
line_1.render('1.html')

 

3a03c2bc56c04b069b0fef0e055683ea.png
由右图可知， 广州市的设备 113024、112719、112748的销售额只有1元,而销售金额后10的
设备全部在广州市和中山市。


8efc813509cf451d859650cd9b32ec3c.png

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar
from pyecharts import options as opts
from operator import itemgetter
data = pd.read_csv('order.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='设备编号',as_index=False).agg({'市':f,'总金额(元)':np.sum})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['设备编号','市','销售总额']
data_x_xiao = groupby_month['设备编号'].values.tolist()
data_x_shi = groupby_month['市'].values.tolist()
data_y_shang = groupby_month['销售总额'].values.tolist()
# 最大值
#ascending 参数是一个布尔类型的参数，当它设置为 True 时，返回的结果将从小到大排序；当它设置为 False 时，返回的结果将从大到小排序。
#reset_index:会将原来的索引index作为新的一列
#sort_values()函数原理类似于SQL中的order by，可以将数据集依照某个字段中的数据进行排序，该函数即可根据指定列数据也可根据指定行的数据排序。
#groupby函数基本格式：data.groupby([‘分组字段’])
product_amount = data.groupby(['市','设备编号']).agg({'总金额(元)':'sum'}).sort_values(by='总金额(元)',ascending=False).reset_index()
#product_amount_1 = data.groupby('市').agg({'总金额(元)':'sum'}).sort_values(by='总金额(元)',ascending=False).reset_index()
a = product_amount.tail(10)
#b = product_amount_1.head(10)
# print(a)
#生成市+设备编号的列名
a["市设备编号"] = a["市"]+ a["设备编号"].map(str)
# d = a["市设备编号"].columns  = ["市设备编号"]
# print(a["市设备编号"])
# #print(a["市设备编号"])
a_x = a['市设备编号'].tolist()
a_y = a['总金额(元)'].tolist()
# print(a)
# 实例化对象
line_1 = (
    Bar()
    .add_xaxis(a_x)
    .reversal_axis()
    .add_yaxis('总金额(元)',a_y)
    .set_global_opts(
        title_opts=opts.TitleOpts(title='销售额后10的设备以及其所在市',pos_left='center'),
        legend_opts=opts.LegendOpts(is_show=False)#图例
        #xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=30)),
    )
    .set_series_opts(label_opts=opts.LabelOpts(position="right"))#标签数值的位
)
line_1.render('1.html')

 

51ae492bd359489bbd529e3d76aea09a.png

 

①统计各城市销售金额小于100的设备数量，并进行可视化分析。
②广州市销售金额小于100元的设备数量达到了49台，中山市有20台，深圳市和韶关市各有1台。而在图中并没有出现珠海市，这是因为珠海市中所有的新零售智能销售设备的销售金额都大于100元。

 

54e6ee8a77514fb3861fdf735ac7f57f.png

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar
from pyecharts import options as opts
from operator import itemgetter
data = pd.read_csv('order.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='市',as_index=False).agg({'设备编号':f})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['市','设备编号']
data_x_shi = groupby_month['市'].values.tolist()
data_y_xiao = groupby_month['设备编号'].values.tolist()

print(data_x_shi)
print(data_y_xiao)

# data_y = [list(z) for z in zip(data_y_xiao,data_y_shang)]
#小于100：销售额
a = groupby_month[groupby_month["设备编号"]< 100 ]
print(a)
a_x = a['市'].tolist()
a_y = a['设备编号'].tolist()
# 实例化对象
line_1 = (
    Bar()
    .add_xaxis(a_x)
    .add_yaxis('',a_y)
    .set_global_opts(
        title_opts=opts.TitleOpts(title='各市销售小于100的设备数量',pos_left='left')
    )

)
line_1.render('1.html')

 

50daac14332d419ca3fa4dbe829d4a9c.png

 

绘制库存分析图

在库存管理中，需要对库存进行分析，实现库存合理配置，从而保证在正常的销售货源供应的同时，最大程度减少库存积压，提高资金的流通性。从库存角度出发，利用售罄率、库存成本、进货量、库存量和销售量等指标对库存进行分析，并进行可视化展示。


1.售罄率分析

①售罄率:是指产品的累计销售占总进货的比例，可用于反应商品的销售速度。其中销售和进货可以是数量，也可以是金额。售罄率的计算如下式所示。


售罄率=销售量/进货量


②分析近6个月商品整体的售罄率，并进行可视化分析。
③由右图可知，售罄率从5月到达0.3198后就开始一直下降，处于一个较低的水平，仍有很大的提升空间。


417cb1d840064712ac673746d08c423e.png

 

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar
from pyecharts import options as opts
from operator import itemgetter
data = pd.read_csv('goods_info.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='月份',as_index=False).agg({'销售数量':f,'进货数量':f})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['月份','销售数量','进货数量']
data_x_shi = groupby_month['月份'].values.tolist()
data_y_xiao = groupby_month['销售数量'].values.tolist()
data_y_jin = groupby_month['进货数量'].values.tolist()
data_moth_x = [str (i) for i in data_x_shi]
print(data_x_shi,data_y_xiao,data_y_jin)
#售罄率=销售量/进货量
a = []
for i in range(len(data_y_jin)):
     a.append(groupby_month['销售数量'][i]/groupby_month['进货数量'][i])
groupby_month['售罄率']=a

# data_y = [list(z) for z in zip(data_y_xiao,data_y_shang)]
# #小于100：销售额
# a = groupby_month[groupby_month["设备编号"]< 100 ]
# print(a)
# a_x = a['市'].tolist()
# a_y = a['设备编号'].tolist()
# 实例化对象
line_1 = (
    Line()
    .add_xaxis(data_moth_x)
    .add_yaxis('',np.round(groupby_month['售罄率'].values.tolist(),2))
    .set_global_opts(
        title_opts=opts.TitleOpts(title='售罄率月走势',pos_left='center')
    )

)
line_1.render('1.html')

2281998eb05d42198599400d3082d8ff.png
2.库存成本分析


①库存成本:是指在储存的仓库的商品所需的正本，其计算如下式所示。


库存成本=销售单价×库存量


②分析各个月库存成本走势，并进行可视化分析。
③由右图可知，4月~9月的库存成本在逐渐上升。


99770bffc27c4740aa96a5ebe2666116.png

 

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar
from pyecharts import options as opts
from operator import itemgetter
data = pd.read_csv('goods_info.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='月份',as_index=False).agg({'库存数量':f,'销售金额':np.sum})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['月份','销售金额','库存数量']
data_x_shi = groupby_month['月份'].values.tolist()
data_y_xiao = groupby_month['销售金额'].values.tolist()
data_y_jin = groupby_month['库存数量'].values.tolist()
data_moth_x = [str (i) for i in data_x_shi]
print(data_x_shi,data_y_xiao,data_y_jin)

#库存成本=销售单价×库存量
a = []
for i in range(len(data_y_jin)):
     a.append(groupby_month['销售金额'][i]*groupby_month['库存数量'][i])
groupby_month['库存成本']=a

# data_y = [list(z) for z in zip(data_y_xiao,data_y_shang)]
# #小于100：销售额
# a = groupby_month[groupby_month["设备编号"]< 100 ]
# print(a)
# a_x = a['市'].tolist()
# a_y = a['设备编号'].tolist()
# 实例化对象
line_1 = (
    Line()
    .add_xaxis(data_moth_x)
    .add_yaxis('',np.round(groupby_month['库存成本'].values.tolist(),2))
    .set_global_opts(
        title_opts=opts.TitleOpts(title='各个月库存成本走势',pos_left='left'),
        xaxis_opts=opts.AxisOpts(
            axislabel_opts=opts.LabelOpts(formatter='{value}月')
        )
    )
)
line_1.render('1.html')

 

afec2fb9ed3c482097a5cfcaf4bec3dc.png
3.进货数量、库存数量和销售数量走势分析

 


①分析近6个月内进货量、库存量和销售量数据的走势，并进行可视化分析。
②由右图可知，库存量、进货量的走势基本保持一致，其中库存量与进货量的最高点为8月，最低点为4月。


36f1aa4953aa4c6595b305587bf78fa0.png

 

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar
from pyecharts import options as opts
from operator import itemgetter
data = pd.read_csv('goods_info.csv',encoding='gbk')
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='月份',as_index=False).agg({'销售数量':np.sum,'库存数量':np.sum,'进货数量':np.sum})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['月份','销售数量','库存数量','进货数量']
data_x_shi = groupby_month['月份'].values.tolist()
data_y_xiao = groupby_month['销售数量'].values.tolist()
data_y_ku = groupby_month['库存数量'].values.tolist()
data_y_jin = groupby_month['进货数量'].values.tolist()
data_moth_x = [str (i) for i in data_x_shi]
print(data_x_shi,data_y_xiao,data_y_jin,data_y_ku)
#data_y = [list(z) for z in zip(data_y_xiao,data_y_ku,data_y_jin)]


# 实例化对象
line_1 = (
    Line()
    .add_xaxis(data_moth_x)
    .add_yaxis('',data_y_xiao,label_opts=opts.LabelOpts(is_show=False))
    .add_yaxis('',data_y_ku,label_opts=opts.LabelOpts(is_show=False))
    .add_yaxis('',data_y_jin,label_opts=opts.LabelOpts(is_show=False),)
    .set_global_opts(
        title_opts=opts.TitleOpts(title='进货数量、库存数量和销售数量月走势',pos_left='left'),
        xaxis_opts=opts.AxisOpts(
            axislabel_opts=opts.LabelOpts(formatter='{value}月')
        ),
        yaxis_opts=opts.AxisOpts(
            is_show=True
        ),
        legend_opts=opts.LegendOpts(is_show=True)
    )
)
line_1.render('1.html')

1aff84eb476a41cfabed10a35a6c27b6.png

 

绘制用户分析图


对用户的购买行为进行分析，有助于了解用户的消费特点，提供个性化的服务，从而提升用户的忠诚度和商家的利润。从用户角度出发，利用支付状态、市、下单时间段等字段，对用户进行分析，并进行可视化展示。



1.用户支付方式分析


①对用户在新零售智能销售设备上购买商品时使用的支付方式进行统计，并进行可视化分析。
②由右图可知，主要的支付方式有4种，即微信、支付宝、会员余额和现金，其中微信是最用户常用支付方式，占了总用户人数的89%。


ad14cb68b0434f37a097275f75227954.png

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar,Pie
from pyecharts import options as opts
from operator import itemgetter
data = pd.read_csv('order.csv',encoding='gbk')
#数据处理
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='支付状态',as_index=False).agg({'购买数量(个)':np.sum})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['支付状态','购买数量']
data_x_shi = groupby_month['支付状态'].values.tolist()
data_y_xiao = groupby_month['购买数量'].values.tolist()

data_moth_x = [str (i) for i in data_x_shi]
# print(data_x_shi,data_y_xiao)
data_y = [list(z) for z in zip(data_x_shi,data_y_xiao)]

# 实例化对象
line_1 = (
    Pie()
    .add('',data_y)
    .set_global_opts(
        title_opts=opts.TitleOpts(title='用户支付方式',pos_left='left'),
        legend_opts=opts.LegendOpts(is_show=True)
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter='{b}:{c} ({d}%)'))
)
line_1.render('1.html')

7eb31267082b466abca227c7128afab6.png
2.用户所在城市分析

 


①对各城市的用户数进行统计分析并进行可视化分析。
②由右图可知，使用新零售智能销售设备购买商品的用户最多的是广州市，其次是中山市和东莞市，而这3个城市的占比达到了86.35%。


54e0197d75ed42bdb6bc8af34c878e04.png

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar,Pie
from pyecharts import options as opts
from operator import itemgetter
data = pd.read_csv('order.csv',encoding='gbk')
#数据处理
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='市',as_index=False).agg({'购买数量(个)':np.sum})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['市','购买数量']
data_x_shi = groupby_month['市'].values.tolist()
data_y_xiao = groupby_month['购买数量'].values.tolist()

data_moth_x = [str (i) for i in data_x_shi]
# print(data_x_shi,data_y_xiao)
data_y = [list(z) for z in zip(data_x_shi,data_y_xiao)]

# 实例化对象
line_1 = (
    Pie()
    .add('',data_y, radius=[20, 100])
    .set_global_opts(
        title_opts=opts.TitleOpts(title='用户所在城市',pos_left='left'),
        legend_opts=opts.LegendOpts(is_show=True)
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter='{b}:{c} ({d}%)'))
)
line_1.render('1.html')

 

d54d8ebe27b54ef4a8ed244e89ebeb2a.png

 


3.用户消费时段分析


①用户在新零售智能销售设备上购买的时间段进行统计分析，并进行可视化分析。
②由右图可知，近6个月，下午时间段消费的人数最多，占了21.26%，其次是晚上、上午和傍晚。早晨和凌晨的人数差不多，但是都比较少，只有7%左右。


cc4fcea04cde4dc18e02997a4d6300a6.png

import numpy as np# 导入 numpy库，as 即为导入的库起一个别称，别称为np
import pandas as pd
import heapq #获取数组中最大的前n个数值的位置索引
from pyecharts.charts import Line,Bar,Pie
from pyecharts import options as opts
from operator import itemgetter
data = pd.read_csv('order.csv',encoding='gbk')
#数据处理
#链式调用：调用完一个函数后还能再继续调用其它函数
def f(x):
    #len()函数去计算长度；list() 构造函数创建列表；set顾名思义是集合，里面不能包含重复的元素，接收一个list作为参数
    #x.values()	返回字典中的值
    x = len(list(set(x.values)))
    return x
#对多列进行分组：使用 groupby 方法进行多列分组
groupby_month = data.groupby(by='下单时间段',as_index=False).agg({'购买数量(个)':np.sum})
#columns：表示列索引
#顺序很重要
groupby_month.columns = ['下单时间段','购买数量']
data_x_shi = groupby_month['下单时间段'].values.tolist()
data_y_xiao = groupby_month['购买数量'].values.tolist()

data_moth_x = [str (i) for i in data_x_shi]
# print(data_x_shi,data_y_xiao)
data_y = [list(z) for z in zip(data_x_shi,data_y_xiao)]

# 实例化对象
line_1 = (
    Pie()
    .add('',data_y,  rosetype='radius', radius=[20, 100])
    .set_global_opts(
        title_opts=opts.TitleOpts(title='用户消费时间段',pos_left='left'),
        legend_opts=opts.LegendOpts(is_show=True)
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter='{b}:{c} ({d}%)'))
)
line_1.render('1.html')

67846d3153ab4ccabc04e28fb2fba097.png

 

 

大象代码
关注
  • 28
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
python数据分析项目有趣 新零售-无人智能售货机商务数据分析
06-25
python数据分析项目有趣 新零售-无人智能售货机商务数据分析 jupter格式的html 项目背景 站点选择等是自动售货机运营者需要重点关注的问题。因此，科学的商业 数据分析能够帮助经营者了解用户需求，掌握商品需求量，为用户提供精 准贴心的服务，是掌握经营方向的重要手段，对自动售货机这一营销模式 的发展有着非常重要的意义。
一个数据可视化实战例子
04-22
一个数据可视化实战例子，包含数据和源码，了解背景与目标 --了解背景 -- --- 熟悉数据情况------ 熟悉项目流程 ---- 读取与处理新零售智能数据 ---- 读取数据 --- 清洗数据------规约数据----- 绘制可视化图形-----...
Python数据可视化实战 第7章 新零售智能销售数据可视化实战 教案.docx.pdf
07-01
Python数据可视化实战 第7章 新零售智能销售数据可视化实战 教案.docx.pdfPython数据可视化实战 第7章 新零售智能销售数据可视化实战 教案.docx.pdfPython数据可视化实战 第7章 新零售智能销售数据可视化实战 教案.docx.pdfPython数据可视化实战 第7章 新零售智能销售数据可视化实战 教案.docx.pdfPython数据可视化实战 第7章 新零售智能销售数据可视化实战 教案.docx.pdfPython数据可视化实战 第7章 新零售智能销售数据可视化实战 教案.docx.pdfPython数据可视化实战 第7章 新零售智能销售数据可视化实战 教案.docx.pdfPython数据可视化实战 第7章 新零售智能销售数据可视化实战 教案.docx.pdf
Python 数据可视化实战--新零售智能销售数据可视化项目实战
weixin_65504375的博客
06-24 4680
一.读取与处理新零售智能销售数据。二. 绘制可视化图形。
数据挖掘项目——新零售无人智能售货机商务数据分析
macan的博客
12-09 6642
数据挖掘项目——新零售无人智能售货机商务数据分析一、 原始数据分析二、数据清洗1、处理附件12、处理附件2三、数据分析1、描述性分析2、数据可视化结果如下： 一、 原始数据分析 原数据中包含两个附件annex_1和annex_2。 其中annex_1中有数据：订单号、设备ID、应付金额、实际金额、商品、支付时间、地点、状态、提现。具体如下： #原始数据 detail = pd.read_csv('...
数据可视化案例（四）——新零售数据大脑，助力智慧零售
amumuum的博客
01-05 1566
一、项目背景 为改善渠道建立不完善、与消费者连接不紧密导致以数据为本，并不是“以人为本”的问题，从而进行向新零售方向的转型。以线上线下融合的方式，来以客户为中心，快速反应出产品的更新、物流与供应链之间的联系。袋鼠云利用数据可视化大屏的建立，将客户、产品和物流之间的关系更形象的呈现出来，来辅助其新零售的转型。 二、方案思路 本着“以人为本”的目的，来建立客户、物流和产品的联系，大屏分为三个场景打造出“人、货、场”的概念，即客户、产品、店。主屏利用地图上的点来直观的看出门店的分布情况，根据各个地区的销售数据和人
数据可视化实战之新零售--完整代码
mjoin2022的博客
04-07 107
'设备编号' '下单时间' '订单编号' '购买数量(个)' '总金额(元)' '支付状态' '出货状态' '购买用户' '市' '商品名称']2 112636 2018-04-30 22:35:00 112636qr15250989343846 ... 22 4 晚上。data['商品详情'] = data['商品详情'].str.replace(i, '')
新零售项目总结01
qq_36800511的博客
01-02 406
随着经济和技术的发展，经历了多种不同形式的发展：地摊、卖货郎百货商店超级市场连锁商店电子商务新零售：线上服务、线下体验以及现代物流进行深度融合的零售新模式。
PYTHON数据可视化编程实战_13720859_python_shujukeshihua_数据可视化_
10-02
标题中的“PYTHON数据可视化编程实战”表明这是一份关于Python数据可视化的实战教程，而描述中的“数据可视化教程，可供经典入门练习题目，可供基础入门使用”则强调了该资源适用于初学者，提供了实践性的学习材料。...
Python数据可视化 pyecharts实战
06-14
本课程是pyecharts的入门课程。主要介绍了pyecharts函数库的基本使用方法。主要内容包括pyecharts简介，用pyecharts绘制离散点、折线、柱状图、柱状图和折线图组合、饼图、地理图等，而且这些图表是可交互的。
Python数据可视化实战 第7章 新零售智能销售数据可视化实战 教案.docx.docx
07-01
在本章"Python数据可视化实战"中，我们将深入探索新零售智能销售数据的可视化。这个教程主要针对大数据技术类专业的学生，旨在通过8个学时的教学，让学生掌握如何使用Python进行数据处理和绘制交互式图形，同时学会...
python数据分析
Java 技术专栏，从入门到精通，熟悉企业级开发
01-04 6396
本案例将主要结合自动售货机的实际情况，对销售的历史数据进行处理，利用pyecharts库、Matplotlib库进行可视化分析，并对未来4周商品的销售额进行预测，从而为企业制定相应的自动售货机市场需求分析及销售建议提供参考依据。更多详细内容请参考一书。
python遇到UserWarning和FutureWarning
chen的博客
11-17 2167
这种警告通常用于告知用户一些譬如可能的潜在问题、建议更好的做法或者一些不太严重但需要注意的情况。这类警告不会阻止代码的执行，但是建议开发者注意并可能采取行动来解决或改进相关问题。：这种警告通常表明当前使用的某些功能、方法或模块在未来版本中可能会被废弃或改变。它们旨在提醒开发者，以便他们在更新到将来版本时做好相应的调整。这些警告是 Python 中的一种提示机制，提醒开发者可能存在的问题或即将发生的变化，从而帮助他们编写更稳健、可维护的代码。是 Python 中的警告类型，用于指示可能的问题或将来的改变。
python替换—Series.replace()与Series.str.replace()的区别及为何replace()无效的解决方法
sodaloveer的博客
08-25 1854
在Pandas中做数据处理，经常使用.replace()与.str.replace()方法来进行数据替换，本文介绍两种方法适用的对象，其中对于Series数据类型，它是一个由一维数组表示的DataFrame列，而.replace和.str.replace是Series对象的两种方法，虽然它们的名称相似，并且都用于替换Series的值，但实际上它们之间存在不同之外。
已解决FutureWarning: The frame.append method is deprecated and will be removed from pandas in a future
努力让自己发光，对的人才能迎着光而来
09-28 3万+
已解决（pandas中DataFrame数据拼接报错）FutureWarning: The frame.append method is deprecated and will be removed from pandas in a future version. Use pandas.concat instead. df = df1.append(df2)
python中FutureWarning问题解决方法
热门推荐
robert_hou的博客
05-08 3万+
np.array([0,1,2]) == None出现： FutureWarning: comparison to `None` will result in an elementwise object comparison in the future 解决方法：将 == 改为 is  Also, have you tried is None instead of == None?
面试题 21：解释 Python 中的 help() 函数和 dir() 函数？
最新发布
专注于全栈开发领域
07-10 624
在Python中，help()和dir()是两个非常有用的内置函数，它们可以帮助开发者更好地了解Python对象和模块。
python数据可视化实战
05-22
好的，数据可视化是数据分析中非常重要的一环，可以帮助我们更直观地展示数据，发现数据之间的关系和规律，下面我为你分享一些 Python 数据可视化实战经验： 1. Matplotlib：这是Python中最常用的数据可视化库，可以绘制各种类型的图表，如折线图、柱状图、散点图等。同时，它也支持自定义样式和标签，适合初学者使用。 2. Seaborn：这是基于Matplotlib的高级可视化库，它提供了更多的可视化功能和更美观的绘图风格，适合高级数据分析师和数据科学家使用。 3. Plotly：这是一个交互式可视化工具，可以创建动态的、互动的图表，支持在网页上进行展示和交互。同时，Plotly也提供了Python、R和JavaScript等多种编程语言的API。 4. Bokeh：这也是一个交互式可视化工具，不过主要是针对大规模数据集的，可以处理数十万或数百万条数据，并提供了各种高级可视化功能。 5. Pandas：这是Python中最常用的数据分析库，同时也提供了数据可视化的功能，可以直接在DataFrame中进行绘图。 总之，选择合适的数据可视化工具，可以让我们更好地理解数据，发现数据中的规律和趋势，从而更好地进行数据分析和决策。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值